CIO’s hebben een betere manier nodig om AI-werk in IT te verantwoorden

De afgelopen twee jaar hebben CIO’s een eenvoudig doel gehad voor AI in IT: het in de organisatie brengen, teams laten experimenteren en kijken waar het de servicelevering kan verbeteren.

IT-organisaties kochten licenties, voerden pilots uit en voegden AI-functies toe aan reeds opgeblazen softwarestacks. Dat was logisch terwijl teams nog probeerden te ontdekken wat AI kon doen. Nu zit de uitgave in echte budgetten, en CFO’s willen weten wat het bedrijf voor zijn geld krijgt.

Het probleem is dat veel van de cijfers die CIO’s gebruiken om AI te meten die vraag niet beantwoorden. CIO’s kunnen laten zien hoeveel medewerkers AI gebruiken, hoe vaak ze het gebruiken en hoeveel tijd ze zeggen dat het hen bespaart. Finance wil weten of het bedrijf minder geld heeft uitgegeven, meer werk heeft verricht of extra personeelsaanwerving heeft vermeden.

Het besparen van vijf uur per week voor een medewerker klinkt waardevol, maar het bedrijf moet nog steeds weten wat er met die vijf uur gebeurt. Als de medewerker meer werk afhandelt, of het team een toenemende werklast kan ondersteunen zonder een extra persoon aan te nemen, kan het bedrijf het financiële resultaat zien. Als er verder niets verandert, kan de tijdsbesparing nooit in het budget verschijnen.

Naarmate bedrijven meer aan AI uitgeven, moeten CIO’s veel specifieker worden over het werk dat AI doet en wat dat werk kost.

Tijd bespaard betekent niet per se geld bespaard

Veel AI-ROI-berekeningen beginnen met tijd als criterium – bijvoorbeeld, als AI een medewerker 30 minuten per dag bespaart, kan een bedrijf die minuten vermenigvuldigen over duizenden medewerkers en zo tot een zeer groot getal komen.

Maar bedrijfsprocessen werken zelden zo netjes. Werk verschuift van de ene persoon naar de andere, wacht op goedkeuringen en staat in wachtrijen. Als AI tien minuten bespaart op één deel van een proces en het werk vervolgens zes uur wacht op iemand anders, heeft het bedrijf geen tien minuten bruikbare capaciteit gewonnen.

Voor CIO’s is de meer bruikbare vraag of AI de prestaties van de dienst zelf verandert. Als toegangsverzoeken sneller door de wachtrij gaan, minder tickets menselijke afhandeling nodig hebben of de kosten per verzoek dalen, kan IT het resultaat meten met dezelfde operationele benchmarks die het al bijhoudt.

Aviva is een goed voorbeeld. De verzekeraar gebruikte meer dan 80 AI-modellen als onderdeel van veranderingen in haar schadeafhandelingsproces en meldde dat de tijd voor aansprakelijkheidsbeoordeling met 23 dagen en klachten met 65 procent werden verminderd. Die cijfers laten het management zien wat er in de operatie is veranderd en geven finance iets dat het kan meten.

CIO’s moeten dezelfde denkwijze toepassen op hun AI-investeringen. Voordat ze een pilot uitbreiden, moeten ze weten welk deel van het bedrijf ze verwachten te veranderen en hoeveel werk AI moet oppakken om dat te laten gebeuren.

Het werk dat AI voltooit, is een beter startpunt

Beschouw een veelvoorkomend IT-toegangsverzoek. Een copilot kan het ticket samenvatten en een antwoord opstellen, terwijl een IT-agent het bedrijfsbeleid controleert, de aanvrager verifieert, goedkeuring krijgt, de permissie wijzigt en het verzoek afsluit.

De copilot kan de medewerker een paar minuten besparen, maar het grootste deel van het werk blijft bij de medewerker.

Beschouw nu een AI-systeem dat het verzoek kan controleren aan de hand van het bedrijfsbeleid, ontbrekende informatie kan verzamelen, het verzoek kan routeren voor goedkeuring en de wijziging kan doorvoeren zodra die goedkeuring is ontvangen. IT kan zien hoeveel verzoeken het AI-systeem voltooit, hoe vaak een medewerker moet ingrijpen en hoeveel menselijk werk elk verzoek nog vereist.

Dat geeft CIO’s een veel duidelijkere manier om AI te verantwoorden. In plaats van te schatten hoeveel minuten de technologie bespaarde, kunnen ze meten hoeveel werk het heeft voltooid en wat het kostte om dat werk te voltooien.

Dezelfde aanpak kan worden toegepast op medewerker onboarding, interne ondersteuning en incidentrespons. Het belangrijke onderdeel is AI de verantwoordelijkheid geven voor werk dat het bedrijf al begrijpt en weet te meten.

Maar u moet ook het menselijke werk meetellen

Een AI-systeem kan 1.000 onboarding-verzoeken starten en een medewerker moet bij 600 daarvan ingrijpen. Het labelen van alle 1.000 als geautomatiseerd zou het management een verkeerd beeld geven van hoeveel werk de AI daadwerkelijk heeft afgehandeld.

Die interventies kosten geld. Als een agent enkele minuten aan een verzoek werkt en het vervolgens aan een medewerker geeft die nog twintig minuten besteedt aan het afronden, behoren die twintig minuten tot de kosten van het proces.

Dat betekent dat IT een verslag van wat er tijdens elke taak is gebeurd. Het moet weten wat de AI heeft gedaan, welke systemen het heeft benaderd, waar goedkeuring nodig was, wanneer een medewerker is ingegrepen en of het werk daadwerkelijk is voltooid. Die gegevens kunnen traditionele service desk-metrieken voeden, zoals gemiddelde oplostijd, terwijl ze aanvullende metingen toevoegen die specifiek voor AI van belang zijn, waaronder interventieratio’s en kosten per voltooide taak.

Beveiligingsteams hebben vrijwel dezelfde informatie nodig wanneer er iets misgaat. Als een AI‑systeem de verkeerde permissie wijzigt of een actie onderneemt die het niet had moeten doen, moeten ze kunnen reconstrueren wat er is gebeurd en begrijpen waarom.

Het bijhouden van dat register geeft CIO’s een manier om beide kanten van de investering te meten. Ze kunnen de kosten van het draaien van de AI zien en de menselijke arbeid die nog steeds nodig is om het werk te superviseren en af te ronden.

Hoeveel Verantwoordelijkheid AI Krijgt, Beïnvloedt de Economie

CIO’s moeten ook bepalen hoeveel autoriteit ze bereid zijn aan AI te geven.

Een AI‑systeem met beperkte rechten kan van een medewerker goedkeuring voor veel van zijn acties nodig hebben. Dat houdt een persoon betrokken, maar betekent ook dat het bedrijf blijft betalen voor meer menselijke arbeid.

Het geven van meer autoriteit aan het systeem kan het in staat stellen meer werk zelfstandig af te ronden, maar dat brengt ook meer risico’s voor IT met zich mee. Een systeem dat een account kan aanmaken of een permissie kan wijzigen, kan meer schade veroorzaken wanneer het een fout maakt dan een systeem dat alleen kan aanbevelen wat een medewerker moet doen. De kosten kunnen ook onverwacht stijgen wanneer een agent vastloopt in een lus, dezelfde taak opnieuw probeert of veel rekencapaciteit verbruikt omdat een instructie te vaag was. Die mislukkingen behoren ook tot de economische berekening.

Bedrijven zullen die grens verschillend trekken afhankelijk van het werk dat erbij komt kijken. Wat telt voor de ROI‑berekening is weten waar die grens ligt en hoeveel menselijke betrokkenheid dat oplevert.

Als een AI‑systeem veilig 90 procent van een proces kan voltooien, kan de economie er heel anders uitzien dan bij een systeem dat elke andere stap een medewerker nodig heeft.

Begin met Werk dat al Geld Kost

CIO’s die hun volgende ronde AI‑uitgaven plannen, moeten beginnen met werk dat al aanzienlijke tijd of personeelsinzet vergt.

Toegangsverzoeken, onboarding van medewerkers, incidentrespons en interne ondersteuning geven IT iets concreets om te meten. Het bedrijf weet al ongeveer hoeveel verzoeken het afhandelt, hoeveel medewerkerstijd ze kosten en waar het werk vaak vastloopt.

Van daaruit kan IT bepalen welke delen AI veilig kan afhandelen en waar een medewerker nog moet ingrijpen. Vervolgens kan het besluiten wat men van de investering verwacht.

Misschien wil het team 30 procent meer tickets afhandelen zonder extra personeel aan te nemen. Misschien wil het de kosten per toegangsverzoek verlagen. Misschien wil het dat medewerkers minder tijd aan routinematige ondersteuning besteden zodat ze werk kunnen oppakken dat nu in een achterstand zit. Zodra IT de volledige kosten kent van het voltooien van een taak met AI, inclusief menselijke interventie, kan het een streefcost voor die taak vaststellen en bepalen of automatisering daadwerkelijk de moeite waard is.

Zodra AI het werk oppakt, kunnen CIO’s vergelijken wat ze verwachtten met wat er daadwerkelijk gebeurde. Ze kunnen zien hoeveel werk AI heeft voltooid, hoe vaak mensen moesten ingrijpen en wat het hele proces heeft gekost.

Dat geeft CIO’s een veel eenvoudigere manier om over AI‑uitgaven met de financiële afdeling te praten. In plaats van een dollarwaarde te proberen toe te kennen aan duizenden geschatte bespaarde minuten, kunnen ze laten zien welk werk AI heeft afgehandeld, hoeveel menselijke arbeid het nog nodig had en of het bedrijf minder geld heeft uitgegeven om dat werk te voltooien.